风电预测误差概率计算方法、装置及可读存储介质

技术领域

本发明涉及风电技术领域，尤其涉及风电预测误差概率计算方法、装置及可读存储介质。

背景技术

目前，风力发电对环境的影响较小，发电成本可以忽略不计，风力发电对全球电力供应的贡献越来越大。虽然风力发电具有许多环境效益，但是风力发电的巨大普及所带来的不确定性也给电力系统的可靠运行带来了巨大的挑战。为了准确测量风电输出的不确定性，风电预测技术得到了迅速发展。但是，风电预测存在精度不高，风电预测存在较大的不确定性。

发明内容

有鉴于此，本发明的目的是提供一种风电预测误差概率计算方法、装置及可读存储介质，旨在实现提高风电预测的准确性，提高电力系统运行的可靠性。

为实现上述目的，本发明提供一种风电预测误差概率计算方法，所述风电预测误差概率计算方法包括如下步骤：

获取历史风电数据和质量函数参数；

基于所述风电历史数据和所述质量函数参数融合多源信息训练生成风电预测误差模型；

基于双层蒙特卡洛采样所述风电预测误差模型计算风电出力；

基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标。

可选地，其中，所述质量函数参数包括：区间参数和折现因子，所述历史风电数据包括额定功率，所述基于风电历史数据和质量函数参数融合多源信息训练生成风电预测误差模型的步骤，包括：

根据所述区间参数和所述额定功率建立误差识别框架；

基于所述误差识别框架和所述历史风电数据计算得到原始质量函数；

基于所述折现因子和所述原始质量函数，得到修正质量函数和第二专家质量函数；

检测所述历史风电数据中第一时间的预测值是否处于临界区域；

若所述历史风电数据中第一时间的预测值处于临界区域，则基于所述第一时间的历史风电数据和所述误差识别框架计算第一时间的第一专家质量函数；

基于所述修正质量函数、所述第一时间的第一专家质量函数和所述第二专家质量函数融合生成风电预测误差模型。

可选地，所述检测所述历史风电数据中第一时间的预测值是否处于临界区域的步骤之后，包括：

若历史风电数据中第一时间的预测值不处于临界区域，则基于所述修正质量函数、所述第二专家质量函数融合生成风电预测误差模型。

可选地，所述基于双层蒙特卡洛采样所述风电预测误差模型计算风电出力的步骤之后，包括：

检测所述第一时间是否小于预测周期；

若所述第一时间小于预测周期，则检测所述历史风电数据中所述第二时间的预测值是否处于临界区域，其中，所述第二时间等于所述第一时间与时间间隔之和；

若所述历史风电数据中所述第二时间的预测值处于所述临界区域，则基于所述第二时间的历史风电数据和所述误差识别框架计算第二时间的第一专家质量函数；

基于所述修正质量函数、所述第二时间的第一专家质量函数和所述第二专家质量函数生成风电预测误差模型；

若所述历史风电数据中所述第二时间的预测值不处于所述临界区域，则基于所述修正质量函数、所述第二时间的第二专家质量函数生成所述风电预测误差模型；

以此类推，直至第N时间大于或等于所述预测周期时，执行步骤：基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标。

可选地，某一天的修正质量函数m

m

其中，{E

其中，某一天的第一时间的第一专家质量函数m

m

γ是第一专家信息的可信度；{E

其中，某一天的第二专家质量函数m

m

m

其中，{E

可选地，所述基于所述修正质量函数、所述第二时间的第一专家质量函数

和所述第二专家质量函数融合生成风电预测误差模型的步骤包括：

某一天的融合质量函数m

基于某一天的融合质量函数m

其中，

其中，Bel(H

可选地，所述基于双层蒙特卡洛采样所述风电预测误差模型计算风电出力的步骤，包括：

基于外层蒙特卡洛采样所述风电预测误差模型得到扩展焦元；

基于内层蒙特卡洛采样所述预测误差区间得到风电出力。

可选地，所述风电数据包括：每个风电设备的状态数据，系统可靠性指标包括：电力不足概率和电量不足期望值，所述基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标的步骤，包括：

对每个风电设备的状态数据进行模拟得到设备状态序列；

利用最优潮流模型以最小削负荷量为目标函数以及所述设备状态序列对所述风电出力进行约束得到削负荷量；

根据所述削负荷量计算电力不足概率和电量不足期望值。

此外，为实现上述目的，本发明还提供一种装置，所述装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风电预测误差概率计算程序，所述风电预测误差概率计算程序被所述处理器执行时实现如上所述的风电预测误差概率计算方法的步骤。

此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有风电预测误差概率计算程序，所述风电预测误差概率计算程序被处理器执行时实现如上所述的风电预测误差概率计算方法的步骤。

本发明提供了一种风电预测误差概率计算方法、装置及可读存储介质，获取历史风电数据和质量函数参数；基于所述风电历史数据和所述质量函数参数融合多源信息训练生成风电预测误差模型；基于双层蒙特卡洛采样所述风电预测误差模型计算风电出力；基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标。通过上述方式，本发明能够提高风电预测的准确性，提高电力系统运行的可靠性。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；

图2为本发明风电预测误差概率计算方法第一实施例的流程示意图；

图3为双层蒙特卡洛采样所述风电预测误差模型计算风电出力的示意图；

图4为本发明风电预测误差概率计算方法第二实施例的流程示意图；

图5为本发明风电预测误差概率计算方法第三实施例的流程示意图；

图6为本发明风电预测误差概率计算方法第四实施例的流程示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：获取历史风电数据和质量函数参数；基于所述风电历史数据和所述质量函数参数融合多源信息训练生成风电预测误差模型；基于双层蒙特卡洛采样所述风电预测误差模型计算风电出力；基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标

现有的风力发电对环境的影响较小，发电成本可以忽略不计，风力发电对全球电力供应的贡献越来越大。虽然风力发电具有许多环境效益，但是风力发电的巨大普及所带来的不确定性也给电力系统的可靠运行带来了巨大的挑战。为了准确测量风电输出的不确定性，风电预测技术得到了迅速发展。但是，风电预测存在精度不高，风电预测存在较大的不确定性。

本发明旨在实现提高风电预测的准确性，提高电力系统运行的可靠性。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。

本发明实施例终端可以是PC，也可以是智能手机、平板电脑等具有显示功能的可移动式终端设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

优选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及风电预测误差概率计算程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的风电预测误差概率计算程序，并执行以下操作：

获取历史风电数据和质量函数参数；

基于所述风电历史数据和所述质量函数参数融合多源信息训练生成风电预测误差模型；

基于双层蒙特卡洛采样所述风电预测误差模型计算风电出力；

基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标。

进一步地，其中，所述质量函数参数包括：区间参数和折现因子，所述历史风电数据包括额定功率，处理器1001可以调用存储器1005中存储的风电预测误差概率计算程序，还执行以下操作：

根据所述区间参数和所述额定功率建立误差识别框架；

基于所述误差识别框架和所述历史风电数据计算得到原始质量函数；

基于所述折现因子和所述原始质量函数，得到修正质量函数和第二专家质量函数；

检测所述历史风电数据中第一时间的预测值是否处于临界区域；

若所述历史风电数据中第一时间的预测值处于临界区域，则基于所述第一时间的历史风电数据和所述误差识别框架计算第一时间的第一专家质量函数；

基于所述修正质量函数、所述第一时间的第一专家质量函数和所述第二专家质量函数融合生成风电预测误差模型。

进一步地，处理器1001可以调用存储器1005中存储的风电预测误差概率计算程序，还执行以下操作：

若历史风电数据中第一时间的预测值不处于临界区域，则基于所述修正质量函数、所述第二专家质量函数融合生成风电预测误差模型。

进一步地，处理器1001可以调用存储器1005中存储的风电预测误差概率计算程序，还执行以下操作：

检测所述第一时间是否小于预测周期；

若所述第一时间小于预测周期，则检测所述历史风电数据中所述第二时间的预测值是否处于临界区域，其中，所述第二时间等于所述第一时间与时间间隔之和；

若所述历史风电数据中所述第二时间的预测值处于所述临界区域，则基于所述第二时间的历史风电数据和所述误差识别框架计算第二时间的第一专家质量函数；

基于所述修正质量函数、所述第二时间的第一专家质量函数和所述第二专家质量函数生成风电预测误差模型；

若所述历史风电数据中所述第二时间的预测值不处于所述临界区域，则基于所述修正质量函数、所述第二时间的第二专家质量函数生成所述风电预测误差模型；

以此类推，直至第N时间大于或等于所述预测周期时，执行步骤：基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标。

进一步地，某一天的修正质量函数m

m

其中，{E

其中，某一天的第一时间的第一专家质量函数m

m

γ是第一专家信息的可信度；{E

其中，某一天的第二专家质量函数m

m

m

其中，{E

进一步地，某一天的融合质量函数m

基于某一天的融合质量函数m

其中，

其中，Bel(H

进一步地，处理器1001可以调用存储器1005中存储的风电预测误差概率计算程序，还执行以下操作：

基于外层蒙特卡洛采样所述风电预测误差模型得到扩展焦元；

基于内层蒙特卡洛采样所述预测误差区间得到风电出力。

进一步地，处理器1001可以调用存储器1005中存储的风电预测误差概率计算程序，还执行以下操作：

对每个风电设备的状态数据进行模拟得到设备状态序列；

利用最优潮流模型以最小削负荷量为目标函数以及所述设备状态序列对所述风电出力进行约束得到削负荷量；

根据所述削负荷量计算电力不足概率和电量不足期望值。

基于上述硬件结构，提出本发明风电预测误差概率计算方法实施例。

本发明风电预测误差概率计算方法。

参照图2，图2为本发明风电预测误差概率计算方法第一实施例的流程示意图。

本发明实施例中，该风电预测误差概率计算方法应用于风电预测误差概率计算装置，所述方法包括：

步骤S10，获取历史风电数据和质量函数参数；

在本实施例中，为了提高风电预测的准确性，提高电力系统运行的可靠性，风电预测误差概率计算装置获取历史风电数据和质量函数参数。其中，历史风电数据包括：电气参数(如机组出力上下限、线路功率上下限等)，可靠性参数(如机组和线路的故障率、修复率)，电网结构(网络中元件连接方式)，风电出力功率的历史数据，以及风电机组的额定功率。其中，质量函数参数包括：区间参数、折现因子α和第一专家信息的可信度γ。

步骤S20，基于所述风电历史数据和所述质量函数参数融合多源信息训练生成风电预测误差模型；

在本实施例中，风电预测误差概率计算装置在获取了历史风电数据之后，风电预测误差概率计算装置根据风电历史数据和质量函数融合多源信息训练生成风电预测误差模型。其中，风电预测误差模型用于对风电预测误差进行准确建模。

步骤S30，基于双层蒙特卡洛采样所述风电预测误差模型计算风电出力；

在本实施例中，风电预测误差概率计算装置在生成了风电预测误差模型之后，通过双层蒙特卡洛采样风电预测误差模型计算出风电出力。

步骤S30基于双层蒙特卡洛采样所述风电预测误差模型计算风电出力，可以包括：

步骤a1，基于外层蒙特卡洛采样所述风电预测误差模型得到扩展焦元；

在本实施例中，风电预测误差概率计算装置生成了风电预测误差模型之后，风电预测误差概率计算装置基于外层蒙特卡洛采样风电预测误差模型得到预测误差区间。

其中，误差识别框架Θ＝{E

其中，一个扩展焦元Θ(一个区间)对应了一个概率。每次采样要得到的是一个具体的风电预测误差值。因此，要先用外层蒙特卡洛抽样出来一个预测误差区间，扩展焦元(区间)，再在这个扩展焦元(区间)内部用内层蒙特卡洛抽样出来一个具体的值(也即是风电出力)。

其中，外层蒙特卡洛抽样用公式可以表示成：

u

步骤a2，基于内层蒙特卡洛采样所述扩展焦元得到风电出力。

在本实施例中，风电预测误差概率计算装置在得到扩展焦元之后，风电预测误差概率计算装置基于内层蒙特卡洛采样所述扩展焦元得到风电出力。

其中，内层蒙特卡洛则是在外层蒙特卡洛抽出来的

步骤S40，基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标。

在本实施例中，风电预测误差概率计算装置在计算出了风电出力之后，基于历史风电数据和风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标。其中，系统可靠性指标包括：电力不足概率(LOLP，Loss of load probability method)和电量不足期望值(EENS，Expected energy not served)。其中，电力不足概率计算公式如下：

其中，

电量不足期望值计算公式如下：

本实施例通过上述方案，获取历史风电数据和质量函数参数；基于所述风电历史数据和所述质量函数参数融合多源信息训练生成风电预测误差模型；基于双层蒙特卡洛采样所述风电预测误差模型计算风电出力；基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标。由此，提高了风电预测的准确性，提高了电力系统运行的可靠性。

进一步地，参照图4，图4为本发明风电预测误差概率计算方法第二实施例的流程示意图。基于上述图2所示的实施例，其中，所述质量函数参数包括：区间参数和折现因子，所述历史风电数据包括额定功率，步骤S20基于风电历史数据和质量函数参数融合多源信息训练生成风电预测误差模型，可以包括：

步骤S21，根据所述区间参数和所述额定功率建立误差识别框架；

在本实施例中，风电预测误差概率计算装置在获取了所述质量函数参数中的区间参数和折现因子以及所述历史风电数据中的额定功率之后，风电预测误差概率计算装置根据区间参数和额定功率建立误差识别框架。其中，误差识别框架Θ＝{E

步骤S22，基于所述误差识别框架和所述历史风电数据计算得到原始质量函数；

在本实施例中，风电预测误差概率计算装置在建立了误差识别框架之后，根据误差识别框架和历史风电数据计算得到原始质量函数。其中，原始质量函数m

步骤S23，基于所述折现因子和所述原始质量函数，得到修正质量函数和第二专家质量函数。

在本实施例中，风电预测误差概率计算装置在获取到了原始质量函数之后，基于折现因子和原始质量函数，得到修正质量函数；基于折现因子和原始质量函数，得到第二专家质量函数。

某一天的修正质量函数m

m

其中，{E

其中，某一天的第二专家质量函数m

m

m

其中，{E

其中，质量函数的计算全部建立在识别框架Θ上，历史风功率的最小值和历史风功率的最大值所形成的区间可能不是事先划分好的标准的小区间E

步骤S24，检测所述历史风电数据中第一时间的预测值是否处于临界区域；

在本实施例中，风电预测误差概率计算装置在建立了误差识别框架之后或者在得到修正质量函数和第二专家质量函数之后，风电预测误差概率计算装置判断所述历史风电数据中第一时间的预测值是否处于临界区域。其中，历史风电数据包括第一时间的预测值、第二时间的预测值……第N时间的预测值。第一时间的预测值为已知信息，例如要评估第二天的运行可靠性，那么第二天的风功率预测值是作为已知数据输入风电预测误差概率计算装置的。

其中，设R

步骤S24检测历史风电数据中第一时间的预测值是否处于临界区域之后，可以包括：

步骤b，若历史风电数据中第一时间的预测值不处于临界区域，则基于所述修正质量函数、所述第二专家质量函数融合生成风电预测误差模型。

在本实施例中，当风电预测误差概率计算装置判断历史风电数据中第一时间的预测值不处于临界区域，则风电预测误差概率计算装置基于所述修正质量函数、所述第二专家质量函数融合生成风电预测误差模型。

步骤b基于所述修正质量函数、所述第二专家质量函数融合生成风电预测误差模型，可以包括：

步骤c1，某一天的融合质量函数m

步骤c2，基于某一天的融合质量函数m

其中，

其中，Bel(H

其中，一个扩展焦元Θ(一个区间)对应了一个概率。

步骤S25，若所述历史风电数据中第一时间的预测值处于临界区域，则基于所述第一时间的历史风电数据和所述误差识别框架计算第一时间的第一专家质量函数；

在本实施例中，当风电预测误差概率计算装置判断历史风电数据中第一时间的预测值处于临界区域，则风电预测误差概率计算装置基于所述第一时间的历史风电数据和所述误差识别框架计算第一时间的第一专家质量函数。

其中，某一天的第一专家质量函数m

m

γ是第一专家信息的可信度；γ可以为0.95。{E

步骤S26，基于所述修正质量函数、所述第一时间的第一专家质量函数和所述第二专家质量函数融合生成风电预测误差模型。

在本实施例中，风电预测误差概率计算装置在计算得到修正质量函数、所述第一时间的第一专家质量函数和所述第二专家质量函数之后，风电预测误差概率计算装置基于所述修正质量函数、所述第一时间的第一专家质量函数和所述第二专家质量函数融合生成风电预测误差模型。

步骤S26基于修正质量函数、所述第一时间的第一专家质量函数和第二专家质量函数融合生成风电预测误差模型，可以包括：

步骤d1，某一天的融合质量函数m

步骤d2，基于某一天的融合质量函数m

其中，

其中，Bel(H

其中，一个扩展焦元Θ(一个区间)对应了一个概率。

本实施例通过上述方案，根据所述区间参数和所述额定功率建立误差识别框架；基于所述误差识别框架和所述历史风电数据计算得到原始质量函数；基于所述折现因子和所述原始质量函数，得到修正质量函数和第二专家质量函数；检测所述历史风电数据中第一时间的预测值是否处于临界区域；若所述历史风电数据中第一时间的预测值处于临界区域，则基于所述第一时间的历史风电数据和所述误差识别框架计算第一时间的第一专家质量函数；基于所述修正质量函数、所述第一时间的第一专家质量函数和所述第二专家质量函数融合生成风电预测误差模型。由此，提高了风电预测的准确性，提高了电力系统运行的可靠性。

进一步地，参照图5，图5为本发明风电预测误差概率计算方法第三实施例的流程示意图。基于上述图4所示的实施例，步骤S30基于双层蒙特卡洛采样所述风电预测误差模型计算风电出力之后，可以包括：

步骤S51，检测所述第一时间是否小于预测周期；

在本实施例中，风电预测误差概率计算装置在计算得到了风电出力之后，风电预测误差概率计算装置判断第一时间是否小于预测周期。其中预测周一般设置为24小时。第一小时为1天中的第一小时。

步骤S52，若所述第一时间小于预测周期，则检测所述历史风电数据中所述第二时间的预测值是否处于临界区域，其中，所述第二时间等于所述第一时间与时间间隔之和；

在本实施例中，当风电预测误差概率计算装置判断第一时间小于预测周期，风电预测误差概率计算装置判断所述历史风电数据中所述第二时间的预测值是否处于临界区域，其中，所述第二时间等于所述第一时间与时间间隔之和。

其中，设R

步骤S53，若所述历史风电数据中所述第二时间的预测值处于所述临界区域，则基于所述第二时间的历史风电数据和所述误差识别框架计算第二时间的第一专家质量函数；

在本实施例中，当风电预测误差概率计算装置判断历史风电数据中所述第二时间的预测值处于所述临界区域，则风电预测误差概率计算装置基于所述第二时间的历史风电数据和所述误差识别框架计算第二时间的第一专家质量函数；

其中，某一天的第二时间的第一专家质量函数m

m

γ是第一专家信息的可信度；{E

步骤S54，基于所述修正质量函数、所述第二时间的第一专家质量函数和所述第二专家质量函数生成风电预测误差模型。

在本实施例中，风电预测误差概率计算装置在计算得到修正质量函数、所述第二时间的第一专家质量函数和所述第二专家质量函数之后，风电预测误差概率计算装置基于所述修正质量函数、所述第二时间的第一专家质量函数和所述第二专家质量函数融合生成风电预测误差模型。

步骤S55，若所述历史风电数据中所述第二时间的预测值不处于所述临界区域，则基于所述修正质量函数、所述第二时间的第二专家质量函数生成所述风电预测误差模型；

在本实施例中，当风电预测误差概率计算装置判断历史风电数据中第二时间的预测值不处于临界区域，则风电预测误差概率计算装置基于所述修正质量函数、所述第二专家质量函数融合生成风电预测误差模型。

步骤S55基于所述修正质量函数、所述第二时间的第一专家质量函数和第二专家质量函数融合生成风电预测误差模型，可以包括：

步骤e1，某一天的融合质量函数m

步骤c2，基于某一天的融合质量函数m

其中，

其中，Bel(H

步骤S56，以此类推，直至第N时间大于或等于所述预测周期时，执行步骤：基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标。

在本实施例中，以此类推，直至第N时间大于或等于预测周期时，执行步骤S40。其中，第N时间为1天中的第24小时。

本实施例通过上述方案，检测所述第一时间是否小于预测周期；若所述第一时间小于预测周期，则检测所述历史风电数据中所述第二时间的预测值是否处于临界区域，其中，所述第二时间等于所述第一时间与时间间隔之和；若所述历史风电数据中所述第二时间的预测值处于所述临界区域，则基于所述第二时间的历史风电数据和所述误差识别框架计算第二时间的第一专家质量函数；基于所述修正质量函数、所述第二时间的第一专家质量函数和所述第二专家质量函数生成风电预测误差模型；若所述历史风电数据中所述第二时间的预测值不处于所述临界区域，则基于所述修正质量函数、所述第二时间的第二专家质量函数生成所述风电预测误差模型；以此类推，直至第N时间大于或等于所述预测周期时，执行步骤：基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标。由此，提高了风电预测的准确性，提高了电力系统运行的可靠性。

进一步地，参照图6，图6为本发明风电预测误差概率计算方法第四实施例的流程示意图。基于上述图5所示的实施例，所述风电数据包括：每个风电设备的状态数据，系统可靠性指标包括：电力不足概率和电量不足期望值，步骤S40基于所述历史风电数据和所述风电出力，利用最优潮流模型以最小削负荷量为目标函数计算系统可靠性指标，可以包括：

S41，对每个风电设备的状态数据进行模拟得到设备状态序列；

在本实施例中，风电预测误差概率计算装置在获取了每个风电设备的状态数据之后，首先，确定设备(即元件)的初始状态，通常假设所有元件初始时刻处于运行状态；然后，对每一设备(元件)停留在当前状态的持续时间进行抽样。对于可修复的两状态元件，根据元件的故障率λ和修复率μ，采用变换方法获得满足指数分布的无故障工作时间τ

其中，U

再然后，根据设备(元件)的无故障工作时间和故障修复时间，模拟出给定的预测周期T(也即是模拟总时间段)内的元件状态序列。

S42，利用最优潮流模型以最小削负荷量为目标函数以及所述设备状态序列对所述风电出力进行约束得到削负荷量；

在本实施例中，风电预测误差概率计算装置在得到了设备状态序列之后，利用最优潮流模型以最小削负荷量为目标函数以及设备状态序列对风电出力进行约束得到削负荷量。

其中，削负荷量可以通过公式(1)-(9)进行约束得到。

其中，公式(1)是每个节点的功率平衡约束，公式(2)-(4)是每条线路上的潮流约束，公式(5)是发电机的功率约束，公式(6)是削负荷量约束，公式(7)是机组爬坡约束，公式(8)是相角约束，公式(9)是平衡节点的相角约束。

B

δ

M是一个足够大的常数；

所有带min和max上标都表示下限和上限值，是常量。

S43，根据所述削负荷量计算电力不足概率和电量不足期望值。

在本实施例中，风电预测误差概率计算装置在得到了削负荷量之后，根据削负荷量计算电力不足概率和电量不足期望值。

电力不足概率(LOLP，Loss of load probability method)和电量不足期望值(EENS，Expected energy not served)。其中，电力不足概率计算公式如下：

其中，

电量不足期望值计算公式如下：

其中，LOLP和EENS越低，高风电预测越准确性，电力系统运行的可靠性越好；

LOLP越低，表示电力系统失负荷的概率越低；

EENS越低，表示电量不足期望值越低，即失去的负荷越少。

本实施例通过上述方案，对每个风电设备的状态数据进行模拟得到设备状态序列；利用最优潮流模型以最小削负荷量为目标函数以及所述设备状态序列对所述风电出力进行约束得到削负荷量；根据所述削负荷量计算电力不足概率和电量不足期望值。由此，提高了风电预测的准确性，提高了电力系统运行的可靠性。

本发明还提供一种风电预测误差概率计算装置。

本发明风电预测误差概率计算装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风电预测误差概率计算程序，所述风电预测误差概率计算程序被所述处理器执行时实现如上所述的风电预测误差概率计算方法的步骤。

其中，在所述处理器上运行的风电预测误差概率计算程序被执行时所实现的方法可参照本发明风电预测误差概率计算方法各个实施例，此处不再赘述。

本发明还提供一种可读存储介质。

本发明可读存储介质上存储有风电预测误差概率计算程序，所述风电预测误差概率计算程序被处理器执行时实现如上所述的风电预测误差概率计算方法的步骤。

其中，在所述处理器上运行的风电预测误差概率计算程序被执行时所实现的方法可参照本发明风电预测误差概率计算方法各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。